R: Осмысление вывода MCMCglmm

Question

Я выполнил MCMCglmm (пакет MCMCglmm). Вот краткое изложение этой модели

Iterations = 3001:12991 
Thinning interval = 10 
Sample size = 1000 

DIC: 211.0108 

G-structure: ~Region 

     post.mean l-95% CI u-95% CI eff.samp 
Region 0.2164 5.163e-17 0.358  1000 

R-structure: ~units 

     post.mean l-95% CI u-95% CI eff.samp 
units 0.5529 0.1808 1.045 449.3 

Location effects: Abondance ~ Human_impact/Fish.sp 

            post.mean l-95% CI u-95% CI eff.samp pMCMC  
(Intercept)       1.335628 0.780363 1.907249 642.4 0.004 ** 
Human_impact      0.005781 -0.294084 0.347743 876.6 0.914  
Human_impact:Fish.spA. perideraion -0.782846 -1.158798 -0.399131 649.9 <0.001 *** 
--- 
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 

1. Где коэффициенты?
2. post.mean - среднее от заднего распределения?
3. Может ли post.mean рассматриваться как эквивалент оценок стандарта lm
4. Что означает eff.samp?
5. Как я могу найти степень свободы?
6. Эта модель основана на байесовской статистике. Правильно ли это?

Answer 1

Вы можете использовать summary.MCMCglmm из MCMCglmm пакета

резюме метод для класса "MCMCglmm". Возвращаемый объект подходит для печати методом print.summary.MCMCglmm.

DIC Девиантность Информация Критерий

fixed.formula модели формула для фиксированной точки

random.formula модели формулы для случайных слагаемых

residual.formula модели формулы для остаточных членов

solutions задние означают, 95% интервал HPD, MCMC р-значение и эффективного размер выборки фиксированных (и случайные) эффекты

Gcovariances задние означают, 95% интервал HPD и эффективного размер выборки случайного эффекта (со) Компонентой дисперсии

Rcovariances задние означает, интервал 95% HPD и эффективного размер выборки остаточного (со) компонентом дисперсии

cutpoints задними означает, интервал 95% HPD и эффективного размер выборки точек нарезки из порядковой модели

csats длина цепи, выжигания и прореживания интервал

Gterms индексов случайных эффектов (со) дисперсии в соответствии с условиями компонентов, определенных в случайной формуле

Я нахожусь под впечатлением, что MCMCglmm не делает внедрить «истинный» байесовский шлем. Аналогично модели часового, g (E (y|u)) = Xβ + Zu, и по параметру дисперсии φ1 в дополнение к фиксированным параметрам β и предшествующей требуется дисперсия «G» случайного эффекта u ,

Но в соответствии с этим MCMCglmm vignette модель, реализованная в MCMCglmm, определяется выражением g (E (y|u, e)) = Xβ + Zu + e, и она не включает параметр дисперсии φ1.Он не похож на классическую частоту.

Степень свободы
mcmcglmm является оберткой для функции MCMCglmm(). Функция обертки допускает два варианта двух defualt priors на ковариационных матрицах. Два значения по умолчанию - InvW для инверсии - Wishart before, который устанавливает параметр степеней свободы, равный размерности каждой ковариационной матрицы, и InvG для ранее обращенной Гамма, которая устанавливает параметр степени свободы на 0,002 больше, чем на один меньше чем размеры ковариационной матрицы.